Intel Core Ultra 5 235T + NVIDIA GeForce RTX 5090
KI / Deep Learning-PC Konfiguration
| CPU |
Intel Core Ultra 5 235T
Intel · Arrow Lake
|
| GPU |
NVIDIA GeForce RTX 5090
NVIDIA · 32 GB VRAM
|
| Mainboard |
ASUS ROG Maximus Z890 Apex
Z890 · ATX
|
| RAM |
Kingston Fury Renegade 128GB DDR5-6400
DDR5 · 128 GB
|
| SSD |
Corsair MP600 PRO 2TB
M.2 PCIe 4.0 · 2000 GB
|
| Gehäuse |
be quiet! Dark Base 900 Pro
Full Tower
|
| Netzteil |
Corsair HX1000
1000 W · 80+ Platinum
|
| CPU-Kühler |
Corsair H170i Elite Capellix
AIO
|
Intel Core Ultra 5 235T + NVIDIA GeForce RTX 5090 — KI / Deep Learning-PC
Intel Core Ultra 5 235T + NVIDIA GeForce RTX 5090: Eine KI / Deep Learning-Konfiguration mit starkem CPU-Bottleneck. Die Grafikkarte ist deutlich leistungsfähiger als der Prozessor versorgen kann — ein erheblicher Teil des GPU-Potenzials bleibt ungenutzt.
Wer diese Kombination einsetzt sollte wissen: Die GPU mit 32 GB VRAM könnte deutlich mehr leisten. Der Flaschenhals liegt klar beim Prozessor. Bei sehr hohen Auflösungen (4K) schwächt sich der Effekt ab, da dort die GPU zum limitierenden Element wird.
Leistungsprofil: Was leistet dieses System in der Praxis?
Für KI- und Deep-Learning-Workloads ist die GPU der leistungsbestimmende Faktor. Die NVIDIA GeForce RTX 5090 mit 32 GB VRAM bietet CUDA-Cores für parallele Matrixoperationen, die das Rückgrat von PyTorch- und TensorFlow-Training bilden. Training kleinerer Modelle (bis ca. 7B Parameter bei ausreichend VRAM) und lokale Inferenz mit quantisierten Modellen sind auf dieser Plattform gut möglich.
Der Intel Core Ultra 5 235T mit 14 Kernen übernimmt die Datenvorverarbeitung: Datenpipelines, Augmentation, Tokenisierung und das Laden von Batches aus dem Speicher. Ein schneller Prozessor verhindert, dass die GPU auf Daten warten muss — ein oft unterschätzter Flaschenhals bei Training-Workflows.
128 GB Systemspeicher bieten ausreichend Puffer für große Datasets im RAM-Cache, was besonders bei iterativen Trainingsläufen die Gesamtdurchlaufzeit erheblich reduziert. Für lokale Inferenz mit Ollama, LM Studio oder vLLM, Stable-Diffusion-Bildgenerierung und Experimente mit Hugging-Face-Modellen ist diese Konfiguration eine leistungsfähige und kosteneffiziente lokale KI-Plattform.
CPU-GPU-Ausgewogenheit
CPU-Bottleneck (~52%)
Achtung: Starker CPU-Bottleneck (~52%) — Die NVIDIA GeForce RTX 5090 ist der Intel Core Ultra 5 235T deutlich überlegen. Ein erheblicher Teil der GPU-Leistung wird durch den Prozessor blockiert und bleibt ungenutzt.
In der Praxis bedeutet das: Die Framerate ist häufig CPU-limitiert, nicht GPU-limitiert. In Spielen oder Workloads die stark von der CPU-Leistung abhängen (CPU-intensive Engines, viele physische Objekte, Simulationen) wird die GPU regelrecht "ausgebremst". Die GPU-Auslastung liegt regelmäßig unter 70–80%.
Diese Kombination ist aus Effizienzperspektive nicht optimal. Für Nutzer mit Budget-Einschränkungen: Ein stärkerer Prozessor im gleichen Sockel (Upgrade ohne Mainboard-Tausch) oder eine GPU der nächsten Klasse tiefer würde das Geld sinnvoller einsetzen. Wer die Kombination dennoch nutzt, profitiert am meisten bei sehr hohen Auflösungen (4K/8K), wo die GPU zum limitierenden Faktor wird und der CPU-Bottleneck sich abschwächt.
Für eine detaillierte Bottleneck-Analyse dieser Kombination:
→ Bottleneck-Rechner: Intel Core Ultra 5 235T + NVIDIA GeForce RTX 5090
Eignung für verschiedene Anwendungen
Als KI-Workstation liegt der Fokus auf GPU-VRAM und CUDA-Leistung für Training und Inferenz. Mit 32 GB VRAM ist das System für lokale Experimente, Inferenz mit quantisierten Modellen und Training kleinerer Architekturen gut geeignet. Für Produktions-Training großer Sprachmodelle oder Bild-Generierungsmodelle empfiehlt sich mehr VRAM.
Der Entwickler-Einsatz profitiert von der GPU für GPU-Computing und den CPU-Kernen für Datenpipelines. Gaming ist möglich, steht aber nicht im Fokus. Office und Kommunikation laufen problemlos. Das System ist eine leistungsfähige lokale KI-Plattform für Forscher, ML-Engineers und KI-Enthusiasten.
Upgrade-Potenzial & Skalierbarkeit
Skalierungspotenzial: Das gewählte Mainboard und der CPU-Sockel bieten Spielraum für zukünftige CPU-Upgrades innerhalb der gleichen Plattform-Generation. RAM lässt sich bei Bedarf erweitern — die vorhandenen Slots erlauben eine Verdopplung des Arbeitsspeichers ohne weiteren Hardware-Tausch.
GPU-Upgrade: Die Grafikkarte ist die flexibelste Upgrade-Option. Das Netzteil ist so dimensioniert, dass es auch eine stärkere GPU der nächsten Generation problemlos versorgt. Ein GPU-Tausch erfordert keine weiteren Komponenten-Änderungen und ist damit die kosteneffizienteste Leistungssteigerung.
Speicher-Erweiterung: Weitere NVMe-Slots erlauben zusätzliche schnelle Speicherkapazität ohne Umbau. Das Gehäuse bietet bei Bedarf Platz für zusätzliche Laufwerke. Die PSU-Dimensionierung lässt auch eine stärkere GPU zu, ohne das Netzteil wechseln zu müssen.
Bei Intel Core Ultra 5 235T + NVIDIA GeForce RTX 5090 ist der CPU-Bottleneck stark ausgeprägt. Ein erheblicher Teil der GPU-Leistung bleibt ungenutzt — für KI / Deep Learning-Anwendungen kein optimales Setup.
Fazit: Wer diese Kombination bereits besitzt, profitiert am meisten bei hohen Auflösungen wo die GPU zum Flaschenhals wird. Für Neukäufer: Entweder einen stärkeren Prozessor wählen, oder eine GPU der nächsten Klasse tiefer — das Geld ist dann effizienter eingesetzt.